You are on page 1of 47

DISTRIBUCIN GEOMTRICA

En el siguiente artculo se muestro la distribucin geomtrica, su desarrollo, la


varianza, esperanza, su funcin caracterstica y su funcin generadora de
momentos.
Esta distribucin sirve para calcular la probabilidad de que ocurra un xito por
primera y nica vez en el ltimo ensayo que se realiza del experimento.
Funcin de densidad:
Sea un suceso de probabilidad !"#$p, y sea % la variable aleatoria que expresa
el numero de fracasos que tiene lugar en las repeticiones independientes de
pruebas de &enouili, 'asta que ocurre por primera vez. (a variable % toma los
valores de ),*,+,,."numero de fracasos#. -ecimos que una variable aleatoria %
sigue una distribucin geomtrica de par.metros p si su funcin de probabilidad es
dnde /
!$ probabilidad de xito en cada ensayo
x$ ensayos que sean necesarios para obtener un xito, para x $ *, +, 0,..
(o anterior solo se cumple si y solo si/
1 (as pruebas son idnticas e independientes entre s.
1 (a probabilidad de xito es p y se mantiene constante de prueba en
prueba
Funcin de distribucin
(a funcin de densidad de la variable aleatoria geomtrica slo depende del
par.metro p, y presenta siempre una asimetra a la derec'a como se puede
observar en las siguientes funciones de densidad.
Funcin Generadra de M!ents
-emostracin
Es"eran#a


-emostracin
$arian#a
-emostracin
!or tanto
Funcin caracter%stica
(a funcin caracterstica se calcula teniendo en cuenta que de nuevo aparece la
sumacin de los trminos de una progresin geomtrica, pero esta vez de razn
e
it
q/
Ley de una variable aleatoria
2na variable aleatoria es un nmero que depende del resultado de
un experimento aleatorio. (o que est. en 3uego es la localizacin de
este nmero/ determinar cuales son las posibilidades de caer en tal
o tal parte de . Esta localizacin conduce a asociar a toda variable
aleatoria una ley de probabilidad sobre .
De&inicin '() Se llama ley de la variable aleatoria a la ley de
probabilidad sobre , definida para todo con3unto boreliano de
por/
En la pr.ctica nos olvidamos de la codificacin inicial en eventos y la
ley sobre , para quedarnos finalmente con la ley sobre . Si
solamente observamos una variable aleatoria , podremos
considerar que los eventos son los valores reales que ella puede
tomar y dotar a este con3unto de la ley de .
!or razones de modelado y tambin por comodidad matem.tica,
consideramos dos tipos de variables aleatorias/ las variables
aleatorias discretas, que solamente toman un nmero finito o
numerable de valores "en general valores enteros# y las variables
aleatorias continuas que pueden tomar, a priori, cualquier valor en
un intervalo de nmero reales. Esta diferenciacin corresponde, por
supuesto, a la que ya se consider para las leyes de probabilidad
En general, se repetir. un mismo experimento, donde se observar.n
algunas variables aleatorias. (a idea de independencia entre
variables aleatorias 3uega un papel importante en todo lo que
veremos.
De&inicin '(* (as variables aleatorias se llaman
independientes si para toda 4tupla de con3untos
borelianos en , los eventos
55 66, ...,55 66 son independientes. -e una sucesin
de variables aleatorias se dice que son independientes si para
todo las variables aleatorias son independientes.
(a independencia es, por tanto, una propiedad de los eventos 55
66. -e aqu se deduce que si e son independientes
entonces toda funcin de es independiente de toda funcin de .
Variables aleatorias discretas
De&inicin '(' Se dice que una variable aleatoria es discreta si
toma un numero finito o a lo m.s numerable de valores/
En este caso la ley de la variable aleatoria es la ley de
probabilidad sobre el con3unto de los valores posibles de que
asocia la probabilidad al singleton .
En la pr.ctica el con3unto de los valores que puede tomar es o
una parte de .
-eterminar la ley de una variable aleatoria discreta es/
*. -eterminar el con3unto de los valores que puede tomar .
+. 7alcular para cada uno de estos valores .
+unt de ,ista &recuentista(
8ecordemos que el nico sentido pr.ctico que le podemos dar a la
idea de probabilidad es el de un lmite de frecuencias
experimentales. Este es tambin el sentido que 'ay que dar a la
nocin de ley discreta. 8epetimos veces, en forma independiente,
el experimento aleatorio del cual como resultado medimos . Se
obtiene as una 4tupla de variables aleatorias
independientes de misma ley que "esto se llama una muestra#.
partir de esta 4tupla podemos calcular las frecuencias
experimentales de los eventos 55 66 /
Segn la (ey de los 9randes :meros, esta frecuencia debe
converger a . !ara todo las frecuencias experimentales
definen una ley de probabilidad discreta sobre el
con3unto de los .
2sualmente se representa a las leyes discretas por diagramas de
barras / Se dibu3a encima de la abscisa un segmento vertical de
altura igual a .
(as leyes discretas m.s comunes son las siguientes.
-e. uni&r!e(
(a ley uniforme definida sobre un con3unto finito es la ley de
55sorteos al azar66 en este con3unto o equiprobabilidad. Ella asigna la
misma probabilidad a todos los elementos del con3unto, si el
cardinal del con3unto es .
-e. de Bernu//i(
(as variables aleatorias discretas m.s simples son las indicatrices
de eventos. Si es un evento de probabilidad , la variable
aleatoria toma el valor si se realiza y ) si no. Su ley es la ley
de Bernoulli de par.metro .
(os otros dos e3emplos b.sicos son la ley binomial y la ley
geomtrica.
-e. bin!ia/(
Se repite el mismo experimento veces en forma independiente y
se cuenta el nmero de veces que se produce el evento . Se
considerar. la repeticin de los experimentos como un nuevo
experimento global. 7omo solamente nos interesa el evento ,
bastar. guardar de la experiencia global una 4tupla booleana del
tipo/
la cual ser. m.s f.cil de transformar en una 4tupla de ) y .
-enotemos/
el nmero de veces en que se realiza a lo largo
de los experimentos.
Si denota la probabilidad del evento , la variable aleatoria
sigue una ley de &ernoulli de par.metro . (a variable aleatoria
toma sus valores en el con3unto . !ara determinar su ley,
los eventos que nos interesan son los del tipo 55 66. partir de
la 'iptesis de independencia de los experimentos, la probabilidad
de un resultado cualquiera del experimento global es un producto de
probabilidades. !or e3emplo/
;oda 4tupla particular que contenga 55 66 y 55)66 tiene como
probabilidad . En total 'ay/
que es el nmero de maneras de seleccionar ndices entre . -e
donde/
De&inicin '(0 Se dice que una variable aleatoria sigue la ley
binomial de par.metros y "denotada # si/
*. toma sus valores en el con3unto
+.
+ara recrdar:
El nmero de ocurrencias de un mismo evento en el curso de
experimentos independientes sigue una ley binomial.
Si!u/acin:
la salida del algoritmo que mostramos a continuacin, sigue la
ley binomial . Es el caso tpico en el que encontramos una
ley binomial, pero no es el mtodo mas eficaz de simulacin de la
misma.
8epetir veces
Si " 8andom # entonces
finSi
fin8epetir.
Obser,acin:
Es un buen '.bito el comprobar que la suma de las probabilidades
calculadas vale . En este caso/
, por la frmula del binomio
de :e<ton "de a'el nombre de binomial#.
-e. 1e!2trica(
El problema aqu es observar una sucesin de repeticiones
independientes de un mismo experimento. :os interesa el momento
en que se produce el evento por primera vez. Se asume que la
probabilidad de es estrictamente positiva.
-enotemos por el nmero de orden del experimento en el cual
ocurre por primera vez. Es una variable aleatoria que depende del
experimento/
55repetir independientemente 'asta que ocurra 66.
El con3unto de los valores posibles para es . !ara
todo se tiene/
De&inicin '(3 Se dice que una variable aleatoria sigue la ley
geomtrica de par.metro "denotada #, si/
*. toma sus valores en el con3unto .
+.
+ara recrdar:
El nmero de experimentos independientes necesarios 'asta la
primera ocurrencia de un evento sigue una ley geomtrica.
Si!u/acin:
la salida del algoritmo que mostramos a continuacin, sigue la
ley geomtrica . Es el caso tpico en el que encontramos una
ley geomtrica, pero no es el mtodo mas eficaz de simulacin de la
misma.
8epetir
=asta que " 8andom #.
Obser,acin:
.
(a consecuencia de esta observacin es la siguiente/ en el
transcurso de una serie de experimentos independientes, todo
evento acabar. sucediendo, si su probabilidad es estrictamente
positiva. s una sucesin aleatoria de ) y debe contener
necesariamente una cadena de ceros seguidos. 7on el
mismo razonamiento, si un mono golpea al azar las teclas de una
m.quina de escribir, terminar., necesariamente, escribiendo 55-on
>ui3ote66 sin faltas, desde la primera mayscula 'asta el ltimo
punto.
!ara comprender esta parado3a, calculemos la probabilidad de que
un evento de probabilidad se produzca a lo sumo en el 4simo
experimento.
?ostramos algunos valores de en funcin de y .
n si todas las partculas del universo fueran monos tecleando a
razn de car.cteres por segundo, se necesitara muc'o m.s
tiempo del transcurrido desde el inicio del universo para tener una
probabilidad no despreciable de ver a uno de ellos teclear -on
>ui3ote.
(a ley geomtrica y la ley binomial aparecen con frecuencia en el
an.lisis de algoritmos de simulacin. continuacin presentamos el
e3emplo del c.lculo de una probabilidad condicional. (a
programacin directa de la definicin intuitiva "proporcin de veces
en que ocurre entre aquellas en que tambin ocurre# conducira
al siguiente algoritmo.
8epetir veces
experimento
Si ocurre entonces
Si ocurre entonces
finSi
finSi
fin8epetir
:ada impide que sea cero al final de los experimentos "an si
es poco probable#. Es preferible fi3ar y escribir/
8epetir veces
8epetir
experimento
=asta que ocurre
Si ocurre entonces
finSi
fin8epetir
E3ecutar este algoritmo se convierte en calcular la frecuencia
experimental de , en el resultado de repeticiones
independientes de un experimento global. Este experimento global
consiste en repetir independientemente un mismo experimento
'asta que ocurre por primera vez . (a 55duracin66 del experimento
global es un nmero entero aleatorio. El sigue una ley geomtrica
de par.metro . Se puede demostrar que la variable sigue
una ley binomial de par.metros y .
E4e!"/:
8epetir veces
8epetir
8andom (* lanzamiento de un dado *)
=asta que " es par# (* es el evento `` es par'' *)
Si entonces (* es el evento `` '' *)
finSi
fin8epetir
la salida de este algoritmo, contiene un nmero cercano a
si es grande. El nmero de repeticiones del experimento
cada vez que se e3ecuta un lazo, sigue la ley geomtrica .
=ay otras leyes discretas cl.sicas que se emplean con frecuencia.
Se trata de las leyes de !oisson, 'ipergeomtricas y binomiales
negativas.
-e. de +issn(
?uc'as variables aleatorias discretas corresponden a conteos de
ob3etos con una caracterstica, relativamente rara, dentro de un
con3unto grande de ob3etos/ .tomos de un istopo, molculas de un
elemento qumico, bacterias, virus, individuos que poseen un gen
especial... 7on frecuencia se emplea una ley de !oisson como
modelo para estos conteos. 2na variable aleatorio sigue una ley de
!oisson de par.metro si ella toma sus valores en y si para
todo /
-e. 5i"er1e!2trica(
(a ley 'ipergeomtrica es la ley de 55captura sin reposicin66. En una
poblacin de tama@o , se extrae al azar una muestra
"subcon3unto# de tama@o . Entre los individuos de la poblacin
'ay que est.n 55marcados66 "poseen una cierta caracterstica#. El
nmero de individuos marcados entre los individuos
seleccionados, sigue la ley 'ipergeomtrica de par.metros , y
. (a variable aleatoria toma sus valores en el con3unto
, y para todo /
donde por convencin , si .
Esta ley se encuentra con frecuencia en los 3uegos de azar.
Aariable aleatoria
:mero de ases en una mano de poBer 0+ C D
:mero de ases en una mano de
bridge
D+ C E
:mero de nmeros buenos en un
sorteo de (oto
CF E E
:mero de nmeros buenos en un
sorteo de Geno
H) +)
-e. bin!ia/ ne1ati,a(
Esta ley se emplea frecuentemente en los conteos en biologa. El
modelo de base que la define puede escribirse todava en trminos
de indicatrices de eventos independientes, como en las leyes
binomiales y geomtricas. En el transcurso de una serie de
experimentos aleatorios independientes, observemos un evento
de probabilidad . -enotemos por el nmero de observaciones
de antes de la 4sima observacin de . Entonces sigue la
ley binomial negativa de par.metros y , denotada por .
El con3unto de los valores que toma es y para todo /
(a variable aleatoria sigue la ley como salida del
siguiente algoritmo.
8epetir veces
?ientras "8andom #
fin?ientras
fin8epetir.
Variables aleatorias continuas
De&inicin '(6 Sea una variable aleatoria con valores en y
una densidad de probabilidad sobre . Se dice que es una
variable aleatoria continua de densidad si para todo intervalo
de se tiene/
(a ley de la variable aleatoria es la ley continua sobre , de
densidad .
!ara determinar la ley de una variable aleatoria continua, 'ay que
calcular su densidad. -e manera equivalente, la ley de una variable
continua se determina dando la probabilidad de que ella pertenezca
a un intervalo cualquiera. Es lo que 'emos 'ec'o para nuestro
e3emplo de base, el llamado a 8andom, que es una variable
aleatoria continua, de densidad . 2na variable aleatoria
continua de densidad , cae entre y con una probabilidad
igual a /
?ientras m.s grande sea la densidad en un segmento, mayores
ser.n las probabilidades de que caiga en ese segmento, lo cual
3ustifica el trmino 55densidad66.
7omo ya 'emos observado para 8andom, la probabilidad de que
una variable aleatoria continua caiga en un punto cualquiera es
nula.
En consecuencia/
Ibservemos tambin que el modificar una densidad en un nmero
finito o numerable de puntos, no cambia de las integrales sobre los
segmentos y en consecuencia la ley de probabilidad asociada
tampoco cambia. El valor que toma la densidad en un punto
particular, no es importante. !or e3emplo 8andom tiene como
densidad a pero da lo mismo usar . 7omo en los casos
discretos, debemos conocer algunos e3emplos b.sicos. (as
densidades se dan en un punto cualquiera de .
-e. uni&r!e(
(a ley uniforme sobre un intervalo es la ley de 55sorteos al azar66 en
un intervalo. Si son dos nmeros reales, la ley uniforme sobre
el intervalo se denota por . Ella tiene por densidad a la
funcin/
8andom es una variable aleatoria de ley uniforme .
-e. e7"nencia/(
(as leyes exponenciales modelan intervalos de tiempo o duraciones
aleatorias, como la vida de una partcula en fsica. (a ley
exponencial de par.metro se denota por . Ella tiene por
densidad a la funcin/
-e. nr!a/(
(a ley normal, ley de 9auss o (aplace49auss es la m.s clebre de
las leyes de probabilidad. Su xito y su omnipresencia en las
ciencias de la vida vienen del ;eorema del (mite 7entrado que
estudiaremos m.s adelante. (a ley normal de par.metros y
se denota por . Ella tiene por densidad a la funcin/
(as leyes exponenciales y normales constituyen el ncleo de las
familias de leyes cl.sicas que se encuentran mas frecuentemente
en estadstica.
-e. de 8eibu//(
(a ley de Jeibull de par.metros y , denotada por
, tiene por densidad/
Se la emplea como modelo de duracin aleatoria, principalmente en
fiabilidad "duracin de funcionamiento sin roturas, duracin de
reparacin#. (a ley es la ley .
-e. 1a!!a(
(a ley gamma de par.metros y , denotada por
tiene por densidad/
donde es la 55funcin gamma66, definida por
. !ara entero, y , la ley es llamada ley
de chi cuadrado con grados de libertad y se denota por .
Esta es la ley de la suma de los cuadrados de variables aleatorias
independientes de ley , se emplea para las varianzas
empricas de muestras gaussianas. (a ley es la ley
exponencial .
-e. beta(
(a ley beta de par.metros y , denotada por tiene
por densidad/
Esta familia de leyes nos provee de modelos no uniformes para
variables aleatorias acotadas. Si unas variables aleatorias
independientes siguen la ley uniforme , sus estadgrafos de
orden "valores reordenadas# siguen leyes beta.
-e. /19nr!a/(
(a ley log4normal es la ley de una variable aleatoria, de
valores positivos, cuyo logaritmo sigue la ley . Ella tiene por
densidad a la funcin/
En medicina, numerosos par.metros fisiolgicos son modelados
empleando leyes log4normales.
-e. de Student(
(a ley de Student con grados de libertad, , es la ley de la
relacin , donde las variables aleatorias e son
independientes, de ley , de ley . Ella tiene por
densidad a la funcin/
Se la utiliza para estudiar la media emprica de una muestra
gaussiana.
-e. de Fis5er(
(a ley de Kis'er de par.metros y "enteros positivos# es la ley de
la relacin , donde e son dos variables aleatorias
independientes de leyes y respectivamente. Ella tiene
por densidad a la funcin/
Se la emplea para comparar las varianzas de muestras gaussianas.
Funcin de distribucin
(a funcin de distribucin de una variable aleatoria con valores
en "o m.s precisamente de su ley# es la funcin , de en
, que a asocia/
Sus propiedades principales son las siguientes.
+r"sicin '(:
(a funcin de distribucin caracteriza a la ley. En particular,
es une funcin creciente, continua por la derec'a con un
lmite por la izquierda en todo punto.
y .
-e.es discretas(
(a funcin de distribucin de una variable aleatoria discreta es una
funcin en escalera. Si la variable aleatoria toma los valores
, que se supone est.n ordenados en orden
creciente, entonces la funcin de distribucin toma los valores/
Gr;&ic *: -iagrama de barras y funcin de distribucin
de la ley de la cantidad de nmeros buenos para
nmeros marcados en la lotera Geno.
qu tenemos por e3emplo la ley y los diferentes valores de la
funcin de distribucin para la cantidad de nmeros buenos con
nmeros marcados en la lotera Geno. "figura +#.
Si sigue la ley geomtrica , su funcin de distribucin
vale ) para . !ara todo , ella es constante en el intervalo
y toma el valor/
parte de las leyes geomtricas, las funciones de distribucin de las
leyes discretas cl.sicas no tienen una expresin analtica simple.
-e.es cntinuas(
(a funcin de distribucin de una variable aleatoria continua es la
primitiva de la densidad que se anula en /
Es una funcin continua en . En todo punto en el que es
continua, es derivable y se cumple/
8etornemos a los tres e3emplos b.sicos.
-e. uni&r!e
-e. e7"nencia/
-e. nr!a/
:o existe una expresin analtica para la funcin de distribucin de
las leyes normales. En los libros se pueden encontrar tablas de
valores aproximados. (a mayor parte de los lengua3es de
programacin especializados tienen un cdigo de integracin
numrico que calcula para las leyes normales as como para
todas las leyes usuales.
Gr;&ic ': -ensidad y funcin de distribucin de la ley
normal .
(a funcin de distribucin es la 'erramienta por excelencia de los
c.lculos con las leyes. 2n caso frecuente en las aplicaciones es
aquel en el que conocemos la ley de y queremos determinar la
ley de . !resentamos algunos e3emplos tpicos.
En el caso en que es derivable, estrictamente creciente,
(a densidad correspondiente es/
Si sigue la ley e , donde , .
(a densidad correspondiente es/
y por tanto sigue la ley . Esto permite reducir los
c.lculos de probabilidad sobre una ley normal cualquiera, a
c.lculos sobre la ley .
Si sigue la ley e /
(a densidad es nula en . !ara todo /
(a densidad correspondiente vale/


si y si no.

(a ley de densidad/
es la ley de c'i4cuadrado con grado de libertad . Es
tambin la ley gamma .
Funcin cuantil
(a funcin cuantil de una variable aleatoria "o de una ley de
probabilidad# es la inversa de su funcin de distribucin. 7uando la
funcin de distribucin es estrictamente creciente, su inversa est.
definida sin ambigLedad. !ero una funcin de distribucin se
mantiene constante en todo intervalo en el cual la variable aleatoria
no puede tomar valores. Es por esto que se introduce la siguiente
definicin.
De&inicin '(< Sea una variable aleatoria con valores en , y
su funcin de distribucin. Se llama funcin cuantil de a la
funcin de en , denotada por , que a 'ace
corresponder/
!or convencin, podemos decidir que es el menor de los
valores posibles de y es el mayorM pueden ser
eventualmente infinitos.
-e.es discretas(
(a funcin cuantil de una variable aleatoria discreta es una funcin
en escalera, al igual que su funcin de distribucin. Si toma los
valores , puestos en orden creciente, la funcin de
distribucin es igual a/
en el intervalo . (a funcin cuantil vale/
!or e3emplo, para la ley geomtrica , la funcin cuantil es la
funcin que, para todo , vale en el intervalo
.
-e.es cntinuas(
Aamos a situarnos en el caso m.s frecuente, en el que la densidad
es estrictamente creciente en un intervalo de "su soporte# y
nula fuera de l. Si el intervalo es , la funcin de distribucin se
anula antes de , si es finito, crece estrictamente de ) a entre
y y vale despus de , si es finito. ;odo valor estrictamente
comprendido entre ) y se alcanza una vez y una sola por . El
valor de es el nico punto , comprendido entre y , tal que
.
7alculemos como e3emplo la funcin cuantil de la ley exponencial
, con funcin de distribucin . !ara todo
/
(a funcin cuantil es un instrumento para describir la dispersin de
una ley. Si se realizan un gran nmero llamadas independientes de
la misma ley "obtencin de una muestra#, se debe esperar que una
proporcin de los valores sea inferior a . 2n valor
importante es la mediana, . (os valores de la funcin cuantil
son empleados m.s frecuentemente en estadstica que los valores
de la funcin de distribucin. Se utiliza frecuentemente en especial
los intervalos de dispersin, entendiendo esto como que deben
contener una proporcin grande de los datos.
De&inicin '(= Sea una variable aleatoria y un nmero real
entre ) y . Se llama intervalo de dispersin de nivel a todo
intervalo de la forma/
donde
En estadstica emplear nmeros reales entre ) y constituye una
tradicin. (a misma tradicin 'ace que se les asigne prioritariamente
los valores y , menos frecuentemente , .
!or tanto debemos leer como 55una proporcin dbil66, y como
55una proporcin fuerte66. 2n intervalo de dispersin de nivel
para es uno tal que pertenece a ese intervalo con probabilidad
/ el contiene, por tanto, a una fuerte proporcin de la densidad,
an si el es, en general, muc'o m.s peque@o que el soporte de la
ley. Existen, en general, una infinidad de intervalos de dispersin de
un nivel dado.
!resentamos algunos de nivel para la ley normal .
Segn sean los valores de , decimos que un intervalo de
dispersin de nivel es/
unilateral inferior si ,
unilateral superior si ,
simtrico si ,
optimal si su amplitud es la m.s peque@a de entre todos los
intervalos de dispersin de nivel .
-eterminar un intervalo de dispersin optimal requiere, en general,
de un c.lculo especial salvo en el caso en que la ley es simtrica,
como una ley normal o una ley de Student. -ecimos que la ley de
es simtrica si para todo ,
Se demuestra que si la ley de es simtrica, entonces el intervalo
de dispersin simtrico es optimal. Itra aplicacin importante de la
funcin cuantil es el mtodo de inversin, el cual es un mtodo
general que consiste en simular una variable aleatoria de cualquier
ley, combinando el empleo de la funcin 8andom con el de la
funcin cuantil de la variable.
+r"sicin '()> Sea una funcin de distribucin real, la
funcin cuantil correspondiente y una variable aleatoria de ley
uniforme en . (a variable aleatoria tiene a por
funcin de distribucin.
!emostracin / !ara todo , tenemos/




E4e!"/ :
(a funcin cuantil de la ley exponencial 'ace corresponder a
el valor/
-e aqu obtenemos el algoritmo de simulacin/
8andom
:o vale la pena calcular 8andom porque 8andom y
8andom tienen la misma ley.
El mtodo de inversin no es exacto, a menos que se conozca la
expresin explcita de , como es el caso de la ley exponencial.
Esto raramente sucede. Si queremos aplicar el mtodo a la ley
normal, por e3emplo, ser. necesario utilizar un algoritmo de
aproximacin. dem.s de la imprecisin, el mtodo de inversin
ser. relativamente lento. n cuando se conoce explcitamente la
expresin de , el mtodo de inversin es raramente el m.s
eficaz para las variables continuas. Sin embargo es aplicable a gran
cantidad de leyes discretas.
Supongamos que toma los valores , ordenados por
orden creciente. -enotemos por el valor de la funcin de
distribucin en el intervalo . El algoritmo de simulacin por
inversin es el siguiente.
8andom
?ientras>ue " #
fin?ientras>ue
?odifiquemos ligeramente el algoritmo a@adindole una
interpolacin lineal. 7uando cae en el intervalo , en lugar
de dar , como inicialmente, a'ora va a dar el valor/
El resultado es reemplazar la funcin de distribucin en escalera por
una funcin de distribucin lineal a trozos que pasa por los puntos
. (a distribucin de probabilidad correspondiente tiene como
densidad a una funcin en escalera "constante en cada intervalo
#. Es un 'istograma.
Varianza
De&inicin '()' Se llama varianza de y se denota por , a
la esperanza de la variable aleatoria , si esta existe.
Se demuestra que la existencia de la varianza implica la existencia
de la esperanza. !or el contrario, una variable aleatoria puede tener
una esperanza pero no tener varianza. Es el caso, por e3emplo, si
tiene por densidad/
El c.lculo de las varianzas se simplifica, con frecuencia, gracias al
siguiente resultado.
+r"sicin '()0 (a varianza de existe si y slo si existe
y se tiene/
!emostracin / !ara pasar de la definicin a la formula anterior,
basta desarrollar el cuadrado y emplear la linealidad de la integral.




(a varianza mide cuanto se ale3an del valor medio, , los valores
que toma . (a varianza no es 'omognea/ si es una longitud
expresada en metros, est. expresada en metros cuadrados.
Esto se corrige introduciendo la desviacin est"ndar que es la raz
cuadrada de la varianza. (as propiedades principales de la varianza
son las siguientes.
+r"sicin '()3
!ara todo / .
!ara todo / .
Si e son independientes, entonces/
!emostracin / (as dos primeras propiedades son consecuencia
directa de la definicin. !ara la tercera, si e son
independientes, entonces y tambin lo son.
;enemos por tanto/




(a desigualdad de Bienaym#$chebichev que presentamos a
continuacin traduce la idea intuitiva que los valores que toma se
separan menos de segn es m.s peque@a. El caso
extremo es el de una variable aleatoria de varianza nula, la cual
solamente puede tomar un valor.
Tere!a '()6 Sea una variable aleatoria que admite una
varianza. Entonces, para todo /
!emostracin / -emostraremos este resultado para las variables
continuas, el razonamiento para las variables discretas es an.logo.
!ongamos . Se tiene/
!resentamos algunos e3emplos de c.lculos de la varianza.
(ey de &ernoulli /
por tanto/
(ey binomial /
suma de &ernoullis independientes
(ey geomtrica /


por tanto/
(ey de !oisson /



por tanto/
(ey uniforme /
por tanto/
Si sigue la ley , sigue la ley .
(ey exponencial /
por partes
por tanto/
(ey normal /



por tanto/
Si sigue la ley , sigue la ley .
(a tabla que presentamos a continuacin da las varianzas de las
leyes usuales, discretas y continuas.

-e. $arian#a

2niforme
&ernoulli
&inomial
9eomtrica
!oisson
=ipergeomtrica
&inomial negativa

2niforme
Exponencial
:ormal
Jeibull
9amma
c'i4cuadrado
beta
(og4normal
Student
si
Kis'er
si
Esperanza
partir de la interpretacin de una ley de probabilidad como una
distribucin de masa, la esperanza de una ley de probabilidad es el
baricentro de esta distribucin de masa.
-e.es discretas(
7onsideremos una variable aleatoria discreta , que toma sus
valores en . Si la serie converge,
entonces la esperanza, , es/
Este es el baricentro de los puntos de abscisa , cada uno con el
peso .
-e.es cntinuas(
Sea una variable aleatoria continua, de densidad sobre .
2na densidad se interpreta como una distribucin de masa continua
sobre . Sigue siendo el baricentro lo que 'ay que calcular. Si la
integral converge, entonces la esperanza, , es/
(as propiedades principales de la esperanza son las siguientes.
+r"sicin '())
*. Si e admiten una esperanza, entonces/
+. Si e son independientes y admiten una esperanza
entonces/
!emostracin / (a propiedad % es consecuencia de la linealidad de
la suma "para variables discretas# o de la integral "para variables
continuas#. -emostraremos la propiedad & para variables discretas.
Si, toma los valores , toma los valores , como
e son independientes, el par toma los valores
con probabilidad . !or tanto
tenemos/



!resentamos algunos e3emplos de c.lculo.
(ey de &ernoulli / .
(ey binomial / si son independientes y
siguen leyes de &ernoulli de par.metro , entonces
sigue la ley . !or linealidad de la
esperanza tenemos/
Este valor corresponde con el orden de magnitud esperado del
nmero de xitos en tentativas si la probabilidad de xito es
.
(ey geomtrica /
El nmero de veces que se e3ecuta un lazo con la salida del
lazo determinada por un test aleatorio "con probabilidad de
salida #, sigue la ley . El numero medio de veces que se
e3ecuta el lazo es . En repeticiones, el orden de
magnitud de pases ser. . !or e3emplo/
8epetir 8andom =asta que
supone como promedio llamadas de la funcin 8andom.
(ey de !oisson /
El uso de la palabra esperanza se 3ustifica plenamente en el
caso de una ganancia aleatoria. Aeamos el e3emplo de la
lotera Geno, para nmeros seleccionados "que cuesta
euros#.
nmero"s#
bueno"s#
) * + 0 C
ganancia ) ) ) *D *D)
probabilidad ).+D*+ ).C+HD ).+D0N ).)E++ ).))D0
Esperanza/
euros.
presentamos las esperanzas de ganancia en funcin de la
cantidad de nmeros seleccionados, segn la tabla de
ganancia oficial "siempre por euros pagados a la compa@a
KranOaise des Peux#.
G C D E H N F *)
Esperanza *.H0 ).N+ *.EN *.E+ *.D+ *.00 *.EE
(ey uniforme /
"punto medio del segmento#.
(ey exponencial /
"integracin por partes#.
(ey normal /
"funcin impar#.
Si sigue la ley entonces sigue la ley
. !or linealidad .
continuacin una ley discreta y una ley continua que no tienen
esperanza.
.
(ey de 7auc'y / .
(a tabla que presentamos a continuacin da las esperanzas de las
leyes usuales, discretas y continuas.

-e. Es"eran#a

2niforme
&ernoulli
&inomial
9eomtrica
!oisson
=ipergeomtrica
&inomial negativa

2niforme
Exponencial
:ormal
Jeibull
9amma
c'i4cuadrado
beta
(og4normal
Student
) si
Kis'er
si
Krecuentemente se encuentra el problema de calcular la esperanza
de una variable aleatoria que se expresa como funcin de otra
variable aleatoria, cuya ley es conocida/ . 2na
primera solucin consiste en determinar la ley de para despus
calcular su esperanza. (a siguiente proposicin demuestra que esto
no es necesario.
+r"sicin '()* Sea una funcin de en .
*. Sea una variable aleatoria discreta, que toma los valores
. (a variable aleatoria admite una
esperanza si y slo si la serie
converge. Si es as , entonces tenemos/
+. Sea una variable aleatoria continua, de densidad . (a
variable aleatoria admite una esperanza si y slo si la
integral converge. Si es as , entonces
tenemos/
(os c.lculos de varianzas del prximo parrafo son una aplicacin de
esta proposicin.